Przejdź do treści

Narzędzia AI

Czy ChatGPT używa przestarzałego ViT? Jak modele widzą obrazy

Zaktualizowano: Autor: Andrzej Niemiec10 min czytania

OpenAI nie ujawnia encodera wizji w GPT-4o. Pokazujemy, jak Google, Meta i OpenAI radzą sobie z rozdzielczością obrazu w modelach multimodalnych.

Czy ChatGPT używa przestarzałego ViT? Jak modele widzą obrazy
Spis treści
  1. Czy ChatGPT naprawdę korzysta z przestarzałego ViT?
  2. Czym jest ViT i skąd bierze się problem stałej rozdzielczości?
  3. Jak różnią się podejścia OpenAI, Google i Meta?
  4. Ile parametrów ma Llama 4 i co to mówi o widzeniu?
  5. Dlaczego natywna rozdzielczość jest ważniejsza niż nowy ViT?
  6. Co to oznacza dla użytkowników ChatGPT w Polsce?
  7. Jak sprawdzić, czy model naprawdę korzysta z ViT?
  8. Najczęstsze pytania
  9. Źródła

Czy ChatGPT naprawdę korzysta z przestarzałego ViT?

Nie ma publicznego potwierdzenia. OpenAI opisuje GPT-4o jako jedną sieć trenowaną end-to-end na tekście, obrazie i dźwięku, ale nie podaje typu encodera wizji [1]. Karta systemowa modelu z sierpnia 2024 roku także nie ujawnia architektury [2]. Słowo „przestarzały” jest oceną, a nie mierzalną kategorią: ViT pozostaje podstawą wielu współczesnych encoderów i rozwija się w wariantach SigLIP, SigLIP 2, NaViT oraz w kierunku natywnej rozdzielczości [3].

W rozmowie o ChatGPT miesza się dwa poziomy: produkt i architekturę. Produkt zmienia się szybko, a nazwy modeli trafiają do planów subskrypcyjnych. Architektura encodera wizji jest ujawniana rzadko i tylko wtedy, gdy producent sam opisze ją w raporcie technicznym lub karcie systemowej [1][2]. Dlatego zdanie „ChatGPT używa tego samego ViT co konkurencja” nie ma oparcia w publicznych dokumentach.

Czym jest ViT i skąd bierze się problem stałej rozdzielczości?

Vision Transformer dzieli obraz na równe fragmenty i przetwarza je jak tokeny. Bazowy model google/vit-base-patch16-224 trenowano na obrazach 224×224 z patchami 16×16, co daje 196 tokenów [4]. Stała liczba tokenów upraszcza trening i wnioskowanie, ale utrudnia obsługę nietypowych proporcji, drobnego tekstu i małych obiektów [3].

Kompromis widać w Gemma 3, ogłoszonej 12 marca 2025 roku. Model korzysta z encodera SigLIP o 400 mln parametrów przy stałej rozdzielczości 896×896, a obraz reprezentuje w 256 tokenach [5]. Google dodaje Pan & Scan, czyli podział obrazu na adaptacyjne wycinki, żeby częściowo obejść ograniczenie stałej siatki [5]. To nie jest stagnacja, tylko inżynieria wokół znanego ograniczenia.

Jak różnią się podejścia OpenAI, Google i Meta?

Każda firma rozwiązuje ten sam problem inaczej i ujawnia inną część szczegółów. OpenAI nie podaje architektury encodera. Google opisuje encoder w raportach technicznych. Meta pokazuje kierunek w dokumentacji modeli, ale nie publikuje pełnych parametrów każdego komponentu [1][5][7].

KryteriumOpenAI (GPT-4o)Google (Gemma 3, Gemini 2.5)Meta (Llama 4, Llama 3.2 Vision)
Encoder wizjinieujawniony; jedna sieć end-to-end [1][2]SigLIP 400M w Gemma 3 [5]; Gemini 2.5 opisywany jako natywnie multimodalny [6]ulepszony encoder oparty na MetaCLIP i early fusion w Llama 4 [7]; wcześniej ViT/MetaCLIP z adapterem w Llama 3.2 Vision [8]
Rozdzielczość wejściabrak publicznych szczegółówstała 896×896 plus Pan & Scan [5]zmieniony układ łączenia modalności, bez publicznej specyfikacji siatki patchy [7]
Co jest potwierdzone publicznietrening end-to-end na tekście, wizji i audio [1]raport techniczny i opis modelu [5][6]blog wydania i dokumentacja możliwości [7][8]

Gemini 2.5 w raporcie z 16 czerwca 2025 roku jest opisywany jako model natywnie multimodalny, obsługujący tekst, obraz, audio i wideo, z kontekstem powyżej miliona tokenów i do trzech godzin wideo [6]. Szczegóły wewnętrznego encodera Google nie są tam podane w pełni, więc nie można przenosić właściwości Gemma 3 na całą rodzinę Gemini. Szersze porównanie kosztów modeli opisuje tekst o Gemini 3.1 Flash-Lite.

Ile parametrów ma Llama 4 i co to mówi o widzeniu?

Llama 4 Scout ma 17 mld parametrów aktywnych i 109 mld łącznie. Maverick ma 17 mld aktywnych i 400 mld łącznie, a Scout deklaruje kontekst do 10 mln tokenów [7]. Te liczby dotyczą całego modelu, nie samego encodera wizji, i właśnie dlatego bywają mylnie cytowane jako „rozmiar ViT”.

Wcześniejsza Llama 3.2 Vision korzystała z architektury ViT/MetaCLIP i adaptera łączącego obraz z językiem [8]. Llama 4 zmienia ten układ: stosuje early fusion, mieszankę ekspertów i ulepszony encoder oparty na MetaCLIP [7]. To argument przeciw tezie, że wszystkie duże laboratoria zamroziły architekturę widzenia. Zmienia się sposób łączenia modalności, a nie tylko rozmiar modelu.

Dlaczego natywna rozdzielczość jest ważniejsza niż nowy ViT?

Kierunkiem, który realnie zmienia jakość widzenia, jest obsługa natywnej rozdzielczości. Zamiast skalować każdy obraz do jednego rozmiaru, nowsze rozwiązania stosują dynamiczny podział na kafelki, NaViT albo kodowanie w rozdzielczości zbliżonej do oryginału [9]. Przegląd encoderów w modelach widzących pokazuje, że różnice między modelami wynikają często z rozdzielczości wejścia i sposobu próbkowania, a nie z samej nazwy architektury [3].

Raport techniczny Kimi-VL pokazuje, że ten kierunek rozwijają też zespoły spoza trójki największych firm [10]. Dla praktyka wniosek jest prosty: pytanie „czy to ViT” zastępuje pytanie „jak model traktuje rozdzielczość i proporcje obrazu”. Druga wersja przekłada się na jakość odczytu faktur, zrzutów ekranu i zdjęć dokumentów.

Co to oznacza dla użytkowników ChatGPT w Polsce?

Cennik nie zależy od architektury encodera, ale pomaga oddzielić produkt od techniki. Stan na październik 2026: plan Free kosztuje 0 USD, Go 8 USD miesięcznie, Plus 20 USD, a Pro 200 USD. OpenAI obsługuje PLN dla Polski, więc checkout pokazuje ceny lokalne [11][13]. Polskie zestawienie z września 2026 podaje 34,99 zł dla Go, 99,99 zł dla Plus i 999 zł dla Pro 200 [12].

Zmiana waluty rozliczenia wymaga anulowania i ponownej subskrypcji po okresie rozliczeniowym [13]. Dla osoby, która pyta o ViT w ChatGPT, ważniejsze jest jednak co innego: żaden plan nie gwarantuje konkretnej architektury widzenia, bo OpenAI jej nie publikuje. Jeśli szukasz zastosowań praktycznych, zobacz ChatGPT w Excelu oraz tekst o tym, czy GPT-5.5 połknął Codex.

Jak sprawdzić, czy model naprawdę korzysta z ViT?

Marketingowy opis modelu rzadko wystarcza. Warto sprawdzić trzy rzeczy: raport techniczny lub kartę systemową, datę publikacji oraz to, czy producent podaje rozdzielczość wejścia i liczbę tokenów obrazu [1][5]. Jeśli tych danych nie ma, uczciwa odpowiedź brzmi „nie wiadomo”, a nie „na pewno ViT”.

Drugi sygnał to sposób opisu. Stwierdzenia typu „wszyscy używają tych samych encoderów” nie mają potwierdzenia w dokumentach: Gemma 3, Llama 4 i GPT-4o opisują widzenie na różnym poziomie szczegółowości [1][5][7]. Trzeci sygnał to benchmarki — bez informacji o rozdzielczości testowych obrazów wynik niewiele mówi o codziennym użyciu.

Najczęstsze pytania

Czy ChatGPT używa ViT?

OpenAI nie ujawnia typu encodera wizji w GPT-4o. Oficjalny opis mówi o jednej sieci trenowanej end-to-end na tekście, obrazie i dźwięku, a karta systemowa nie rozstrzyga architektury [1][2]. Nie można więc ani potwierdzić, ani wykluczyć użycia ViT. Publiczne dokumenty nie wystarczają do jednoznacznej odpowiedzi.

Czy Google odchodzi od ViT?

Nie wiadomo, czy odchodzi, ale nie stoi w miejscu. Gemma 3 używa encodera SigLIP 400M przy 896×896 i dodaje Pan & Scan, a Gemini 2.5 jest opisywany jako natywnie multimodalny [5][6]. Google rozwija więc warianty ViT i mechanizmy wokół rozdzielczości, zamiast publikować jeden wspólny encoder dla wszystkich modeli.

Na czym polega problem stałej rozdzielczości?

Klasyczny ViT dzieli obraz na stałą siatkę patchy, więc liczba tokenów jest z góry znana. To upraszcza trening, ale pogarsza czytanie drobnego tekstu, małych obiektów i zdjęć o nietypowych proporcjach [3][4]. Nowsze modele łagodzą to przez wycinki, kafelki albo kodowanie w natywnej rozdzielczości [9].

Czy Llama 4 używa tego samego encodera co Llama 3.2 Vision?

Nie. Llama 3.2 Vision korzysta z ViT/MetaCLIP i adaptera, a Llama 4 stosuje early fusion, mieszankę ekspertów i ulepszony encoder oparty na MetaCLIP [7][8]. Zmienia się też skala: Scout ma 17 mld parametrów aktywnych i 109 mld łącznie, Maverick 17 mld aktywnych i 400 mld łącznie [7].

Źródła

  1. Hello GPT-4o (OpenAI, 2024)
  2. GPT-4o System Card (OpenAI, 2024)
  3. Vision Encoders in Vision-Language Models: A Survey (Jina AI)
  4. google/vit-base-patch16-224 (Hugging Face)
  5. Gemma 3 Technical Report (Google DeepMind, 2025)
  6. Gemini 2.5: Pushing the Frontier with Advanced Reasoning, Multimodality, Long Context (Google DeepMind, 2025)
  7. The Llama 4 herd: natively multimodal AI innovation (Meta AI, 2025)
  8. Vision Capabilities (Meta)
  9. Native Visual Understanding: Resolving Resolution Dilemmas in Vision-Language Models (arXiv, 2025)
  10. Kimi-VL Technical Report (arXiv, 2025)
  11. Plans and Pricing (OpenAI, 2026)
  12. Ile kosztuje ChatGPT w 2026? Free, Go, Plus czy Pro (AI-Radar.pl, 2026)
  13. Multi-currency billing (OpenAI Help Center, 2026)
AN
O autorze
Andrzej Niemiec

Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.

Jak powstają teksty: Polityka AI · O redakcji